Das Baker Lab entwickelt KI-Proteasen, die krankheitsassoziierte Proteine spalten

Zwei Teams am Institute for Protein Design der University of Washington veröffentlichten am 14. Oktober 2026 in Nature Arbeiten über Proteasen, die mithilfe computergestützter Methoden von Grund auf entwickelt wurden und das Polypeptidrückgrat an ausgewählten Sequenzen hydrolysieren – darunter Stellen in den krankheitsassoziierten menschlichen Proteinen TDP-43, Amyloid-β und Serumamyloid A.

Die Amidbindungen, die Aminosäuren entlang des Peptidrückgrats miteinander verbinden, sind in neutraler wässriger Lösung aufgrund der hohen Energiebarriere für ihre Hydrolyse Hunderte von Jahren stabil. Wie die Arbeit über Cysteinproteasen darlegt, beschränkten sich Erfolge beim De-novo-Design von Enzymen bislang weitgehend auf Modellreaktionen mit niedriger Energiebarriere. In einer Studie wurden zinkbasierte Metalloproteasen entwickelt, in der anderen Proteasen, die über ein aktiviertes Cystein-Nukleophil wirken. In beiden Arbeiten wird David Baker als korrespondierender Autor genannt; Donald Hilvert von der ETH Zürich ist ebenfalls bei beiden korrespondierender Autor.

Eine Pipeline für das Design zinkbasierter Metalloproteasen

In Computergestütztes Design von Metalloproteasen beschreiben die gleichrangigen Erstautoren Anqi Chen und Kejia Wu gemeinsam mit ihren Kollegen, wie sie mithilfe von RFdiffusion Proteine mit zinkbasierten aktiven Zentren entwarfen, die Wasser aktivieren und neben einer Bindungstasche für Peptidsubstrate liegen. Von den 135 getesteten Designs katalysierten laut der Arbeit 36 % die Spaltung ihrer jeweiligen Peptidsubstrate an der gezielt anvisierten Spaltstelle. Das beste ursprüngliche Design beschleunigte die Hydrolyse der Peptidbindung im Vergleich zur unkatalysierten Reaktion um mehr als das 10⁸-Fache. Vier Substitutionen steigerten diese Beschleunigung laut der Arbeit durch eine verbesserte Präorganisation des aktiven Zentrums auf mehr als das 10¹⁰-Fache.

Der Generierungsprozess kombinierte zunächst eine Runde der Erzeugung von Rückgraten auf Basis eines Motiv-Gerüsts mit Sequenzdesign und einer Filterung durch AlphaFold 3. Darauf folgten zwei Runden partieller Diffusionsverfeinerung mit weiterem Sequenzdesign und Filterung sowie eine abschließende Iteration aus Sequenzdesign und AlphaFold-3-Filterung. Zur Optimierung eines Designs namens Zn45 untersuchte das Team 378 Varianten mit Sättigungsmutagenese an einzelnen Positionen über 21 Aminosäurepositionen hinweg sowie 148 kombinatorische Varianten an sechs Positionen. Daraus ging die verbesserte Variante Zn45_v2 hervor, die anhand von Messungen der Gesamtumsatzzahl und der Michaelis-Menten-Kinetik charakterisiert wurde.

Die Forschenden bestimmten Kristallstrukturen von Designs wie Zn5, TDPr3, ZnO7 und Zn48 und hinterlegten sie unter den Zugangscodes 11CE, 11CM, 11CP, 11CR, 11CU, 11CY und 11DU in der Protein Data Bank. Berechnungen mit maschinell erlernten Kraftfeldern untersuchten die Aktivierungsenergien des nukleophilen Angriffs sowohl bei der natürlichen Zinkprotease Astacin als auch bei den Designs ZnO7 und Zn45. Die Daten und der Code der Studie sind auf Zenodo verfügbar.

Gezielte Spaltung krankheitsassoziierter Proteine

Die Arbeit über Metalloproteasen beschreibt Designs, die die krankheitsassoziierten menschlichen Proteine TDP-43, Amyloid-β und Serumamyloid A gezielt spalten und dabei eine bis zu 10⁹-fache Steigerung der Reaktionsgeschwindigkeit erreichen. Zu den genannten Beispielen zählen TDPr3, das auf TDP-43 abzielt, SAAc8, das auf Serumamyloid A an der Sequenz SSRSFFSFLG gerichtet ist, und AbetaF3, das Amyloid-β an der Sequenz KGAIIGLMVG angreift.

Bei TDP-43 gestalteten die Autoren ein bestehendes Gerüst so um, dass es innerhalb der ungeordneten C-terminalen Domäne des Proteins schneidet, die die Flüssig-Flüssig-Phasentrennung und Oligomerisierung steuert, statt das vollständige Protein abzubauen. Die Arbeit stellt diese Strategie als Möglichkeit dar, dieses Phasenverhalten und die Oligomerisierung zu beeinflussen, ohne die essenziellen Kernfunktionen der strukturierten Domänen des Proteins außer Kraft zu setzen.

Das Team entwickelte außerdem verkäfigte Zytokine und Rezeptorantagonisten, die von den entworfenen Proteasen gezielt aktiviert werden. Laut der Arbeit ermöglicht dies eine bioorthogonale Steuerung des Zellzustands. Die Autoren kommen zu dem Schluss, dass sich durch De-novo-Design hochaktive, programmierbare Proteasen mit potenziellen Anwendungen in der Therapeutik, Biotechnologie und biologischen Sanierung herstellen lassen.

Eine Erklärung zu Interessenkonflikten besagt, dass vorläufige Patentanmeldungen mit den Nummern 64/047,504 und 63/921,483 eingereicht wurden, die sich auf Aspekte der Methoden und Designs beziehen. Als Erfinder oder Mitwirkende werden darin Chen, Wu, Choi, Preetham Venkatesh, Samuel J. Pellock, Hilvert, Asim K. Bera und Baker aufgeführt.

Eine zweite Proteasefamilie auf Cysteinbasis

In der zweiten Studie, De-novo-Design von Cysteinproteasen, nutzte das Team um den Erstautor Hojae Choi ein neues Deep-Learning-Verfahren namens RFD2-MI, das von den Teammitgliedern Brian Coventry und Magnus S. Bauer entwickelt wurde. Damit entwarf es Enzyme, die mithilfe eines aktivierten Cystein-Nukleophils das Polypeptidrückgrat sequenzabhängig hydrolysieren. Die Arbeit berichtet von 13 aktiven Designs unter 69 getesteten, also einer Erfolgsquote von 19 %, und von Steigerungen der Reaktionsgeschwindigkeit gegenüber der Hintergrundreaktion um bis zu 3 × 10⁷.

Die entworfenen Proteasen nehmen Faltungen an, die sich stark von denen natürlicher Proteasen unterscheiden; ihr TM-Score liegt unter 0,50. Laut der Arbeit stimmen sechs Kristallstrukturen mit den Designmodellen bis auf eine quadratische mittlere Abweichung der Cα-Atome von weniger als 1,2 Å überein. Die Strukturen wurden unter den Zugangscodes 9YNL, 9YNM, 9YOX, 9YOY, 9YOZ und 9YP0 in der Protein Data Bank hinterlegt. Die Designpipeline wechselte zwischen der Erzeugung von Rückgraten mit RFD2-MI, dem Sequenzdesign mit ProteinMPNN und der Filterung durch AlphaFold 3.

Bei einer Überarbeitungsrunde für eine Protease namens Dokki übertrafen 24 der 89 erzeugten Varianten den ursprünglichen Entwurf; die Steigerungen der Reaktionsrate reichten vom 1,2- bis zum 31-Fachen. Die Variante mit der größten Verbesserung erhielt die Bezeichnung Dokki-15. Den Angaben in der Studie zufolge spalteten die entwickelten Proteasen ihre Zielmoleküle effizient in Säugetierzellen. Gezeigt wurde dies in HeLa-Zellen mithilfe eines Reportertests, der die enzymabhängige Verlagerung eines Substrats verfolgte; als Kontrollen dienten katalytisch inaktive Mutanten. Den experimentellen und computergestützten Analysen der Autoren zufolge ist der verbleibende Aktivitätsunterschied zu den aktivsten natürlichen Cysteinproteasen auf Unvollkommenheiten bei der Präorganisation des aktiven Zentrums und der Positionierung des Substrats zurückzuführen.

Publikationsgeschichte, Finanzierung und Quellcode

Nature erhielt beide Arbeiten am 14. Oktober 2025. Die Arbeit zu den Cysteinproteasen wurde am 9. September 2026 angenommen, die zu den Metalloproteasen am 15. September 2026. Frühere Fassungen erschienen im November 2025 als Preprints auf bioRxiv. Die Studie zu den Cysteinproteasen wurde am 22. November 2025 veröffentlicht, die Studie zu den Metalloproteasen erstmals am 21. November 2025; sie wurde bis zu einer vierten Fassung am 27. September 2026 überarbeitet.

In den Förderangaben werden unter anderem das Howard Hughes Medical Institute, die Bill and Melinda Gates Foundation, die Defense Threat Reduction Agency, die National Science Foundation, das National Institute of Allergy and Infectious Diseases und das National Institute on Aging der National Institutes of Health, das APECx-Programm der Advanced Research Projects Agency for Health, The Audacious Project am Institute for Protein Design sowie das Open Philanthropy Project aufgeführt. Der Code für Design und Analyse der Studie zu den Cysteinproteasen ist in zwei GitHub-Repositories öffentlich verfügbar. Die Autoren der Arbeit zu den Cysteinproteasen erklärten, dass keine Interessenkonflikte bestehen.